做海报有多痛苦？

大家做学术应该都懂那种感觉：临近 DDL 前熬夜赶制海报，得把上万字的论文浓缩进一页 PPT，还要图文并茂兼顾美观。一不小心排版崩了、字体太小或者信息太多，导师改起来也是花样百出，直呼「再精简！」……可以说，做学术海报是科研工作中让人头秃的环节之一。

要是有个工具能替我们自动把论文变成海报就好了？

还别说，真的有科研团队朝这个方向努力了！2025 年 5 月，来自滑铁卢大学、新加坡国立大学和牛津大学的研究者发布了一个有趣的系统—— Paper2Poster。顾名思义，它试图用大型语言模型（LLM）当助手，把长篇论文内容自动生成一张精美的学术海报。

• 论文标题：Paper2Poster: Towards Multimodal Poster Automation from Scientific Papers
• 论文地址：https://arxiv.org/pdf/2505.21497
• 项目主页：https://paper2poster.github.io/
• Github：https://github.com/Paper2Poster/Paper2Poster

这个工作开创了学术海报自动生成的新领域：一方面，它提出了首个从论文生成海报的完整框架，能够智能提炼论文并排版；另一方面，作者还搭建了配套的评测基准和指标体系，来量化评估 AI 生成海报的效果。换句话说，不仅要让 AI 会「画」海报，还要知道它画得好不好，这可是前所未有的尝试。

插图 1：Figure 1，Paper2Poster 任务概览：将长篇论文（左）自动生成一页学术海报（右）。

Paper2Poster 想解决啥问题？

用 AI 自动生成海报，说起来容易做起来难。这项任务的核心痛点在于需要大幅压缩和重新组织信息：我们要把包含几千词、几十页、夹杂着图表公式的论文，浓缩到一张版面有限的海报上，而且读起来还得通俗易懂、视觉美观。作者总结了其中三大挑战：

• 长文压缩，语义连贯：学术论文往往篇幅很长，涵盖背景、方法、实验等诸多细节。如何在保留核心内容的同时砍掉冗余，并确保生成的海报前后连贯，是个难点。这需要模型具备层次化概括长文本的能力，而不能简单截断拼凑。
• 多模态信息抽取：论文中穿插大量图、表、公式，图文交织。成功的海报离不开这些直观的视觉要素，因此模型必须读懂论文里的图片和对应文本，挑选出最重要的图表并匹配相应解说放进海报。也就是说，得让 AI 同时当文字编辑和美工。
• 版面布局规划：最终产出是一张定制尺寸的海报，这不像生成一篇纯文本摘要那么简单。模型需要考虑空间限制，合理安排多个内容板块的位置，保证阅读顺序和视觉平衡。如果布局失衡，不是文字挤出框，就是大片留白，那海报质量就大打折扣了。

正是因为以上这些挑战，过去虽然有人做自动幻灯片生成等工作，但自动生成学术海报几乎是空白。有了大模型的加持，Paper2Poster 团队才尝试向这一「无人区」发起冲击。

大模型怎么把论文变海报？PosterAgent 方法

解决这项任务，Paper2Poster 提出了一个名为 PosterAgent 的多模块多智能体方法。它不是让一个大模型闭门造车地「一口气生成」海报，而是模仿人类制作海报的流程，将任务拆解成多个智能体协作完成。整个系统采取自顶向下、视觉反馈循环的设计，如下图所示：

插图 2：Figure 2，PosterAgent 多智能体架构示意图。（a）Parser 解析论文，（b）Planner 生成布局，（c）Painter–Commenter 循环绘制和优化海报面板。

具体而言，PosterAgent 包含串行的三个阶段：

• Parser（解析器）——全局内容提炼。首先，PosterAgent 接收完整论文的 PDF。Parser 会利用文档解析工具将 PDF 转换为结构化文本，比如提取章节标题、段落内容和插图等信息，再借助 LLM 对文本进行分析归纳，生成论文的层次大纲和摘要。同时，它提取出论文中的图表等视觉素材，将图像和对应标题/说明整理出来。经过这一阶段，模型得到一个结构化的「素材库」，包含各章节的精简文字段落和相关联的图像素材。可以认为，Parser 完成了对原论文的粗提炼，把大而全的内容变成可管理的提纲。
• Planner（规划器）——版面布局规划。接下来，Planner 要决定哪些内容和图片上海报，以及如何摆放。它首先利用 LLM 将 Parser 输出的文本摘要和图像进行语义匹配，找出哪些图对应哪些段落内容，生成一组组（章节摘要，相关图片）对。然后，Planner 会采用一种二叉树版面布局算法：根据每个章节文本的字数多少、相关图片的尺寸等，递归地把海报页面划分为若干「板块」，为每个内容对分配一个矩形区域坐标，同时保证排版顺序符合阅读习惯，整体布局均衡美观。简单来说，Planner 相当于画好了海报的版面草图。接着在每个板块内，Planner 让 LLM 对对应的章节摘要进一步精简润色，提炼出层次清晰的要点列表（如 bullet points），这样既凸显重点又节省空间。经过 Planner 阶段，一张海报的内容规划基本成型：哪些板块放哪些文字图片、每块的大概位置和大小都确定了。
• Painter–Commenter 循环（绘制器-评论员）——面板绘制与视觉优化。有了布局规划，最后一步就是把它渲染成具体海报。这里采用「画家+评论家」的 AI 双角色循环：Painter 相当于美工，负责把每个板块的文字和图片转换成可执行的绘制代码（基于 python-pptx 库），生成海报板块的初始图像。然后，Commenter 上场，它是一个视觉语言模型（VLM），扮演「审稿人」的角色，检查生成的板块图像并给出反馈。例如，Commenter 可能指出某个板块文字溢出框了，或版面留白太多影响观感等。值得一提的是，为了让 VLM 评论得靠谱，作者设计了「区域放大+参考提示」的策略：让 Commenter 聚焦于当前板块图像的局部细节，并提供理想版式和常见错误的参考例子，尽量减少大模型在视觉判断上的幻想偏差。收到反馈后，Painter 会根据提示修改板块代码重新渲染，Commenter 再评估，如此循环迭代，直到板块质量达标或者达到最大迭代次数为止。经过这个 Painter–Commenter 双人组的反复打磨，每个板块都被优化得清晰、美观且信息完整。最终，将所有板块拼合，一个完整的海报就新鲜出炉啦。

整个 PosterAgent 方法充分利用了大模型的语言理解和视觉判断能力，把复杂的大任务分解为若干可控的小步骤。这种多智能体协作的范式相比让一个 GPT 模型从头到尾单挑，更加高效且可控。事实证明，PosterAgent 不但能生成初步可用的海报成品，还方便后续人工微调（因为它支持导出为可编辑的 .pptx 文件）。对于科研人员来说，相当于有了一个聪明又听话的「海报小助手」。

生成效果如何？能打过 GPT-4o 吗？

有了方法，大家肯定关心：AI 自动画的海报到底好不好？Paper2Poster 的作者为此构建了一个基准数据集，收集了 100 篇近期顶会论文及其作者制作的官方海报，用来评测模型的生成效果。评估指标则从视觉、文本、信息传递等多个角度出发：

• 视觉质量（Visual Quality）：比较 AI 海报和人工海报的视觉相似度。例如用 CLIP 模型提取图像嵌入向量，看生成海报与作者海报在视觉特征上有多接近，并评估海报中图像与对应论文内容的相关性。直观来说，就是看机器海报的版面风格像不像人类的成果，图放得对不对。
• 文本连贯性（Textual Coherence）：衡量海报文字的语言通顺程度。这里用困惑度（Perplexity）作为指标——如果模型生成的句子怪异拗口，PPL 值就会偏高。毕竟再好的排版，文字读不通顺也不行。
• 整体质量（Holistic Assessment）：让视觉语言模型当评委，从美学和信息两个方面给海报打分。美学维度包括元素质量、布局平衡、读者吸引力（Engagement）；信息维度包括内容清晰度、完整性、逻辑流畅等。这些细粒度打分综合起来，可以全面反映一张海报在视觉设计和内容呈现上的完成度。
• 论文问答（PaperQuiz）：这是作者的核心设计，也是评价海报传达信息有效性的硬指标。具体做法是：让 LLM 根据论文自动生成若干选择题（包括直接细节题和深层理解题各 50%），然后用不同水平的 VLM 「读」生成的海报去回答这些题目。如果海报涵盖了论文的重要内容，VLM 答题得分就会高，反之则分数低。最终还引入长度惩罚，防止模型通过堆砌大段文字作弊。PaperQuiz 相当于模拟读者提问，考核「这张海报能把论文讲明白多少」。

有了以上评测框架，作者比较了多种方案下自动海报的效果，包括：直接让 GPT-4o 当作绘图机器人输出图像（GPT-4o-image）或生成 HTML 再渲染（GPT-4o-html），以及几个开源多智能体系统（如 OWL、PPTAgent 等）。

结果发现一些有趣的现象：

首先，GPT-4o 直接生成的海报远没想象中完美。例如，让 GPT-4o 输出图像版海报的话，缩略图看着五颜六色似乎有模有样，但一放大细看，其中的文字不是乱码就是模糊不清，很多细节完全无法阅读；这是由于GPT-4o通过pixel来生成文本，因此万一出错，会导致文字内容失效，所以GPT-4o生成的文字PPL特别高。让 GPT-4o 输出 HTML 版本又怎样呢？得到的往往是一页密密麻麻的纯文本，版式更像长篇博客而非海报。

同样，其他一些基于 GPT-4o 的多智能体方案也问题频出：例如 PPTAgent 常常布局失控导致部分内容丢失。

相比之下，PosterAgent 生成的海报在结构和可读性上要合理得多：版面干净清爽，没有冗余的长段落，文字提炼得精简到位，而且图文对齐恰当。下图给出了不同方法为同一论文生成海报的直观对比，可以看到 PosterAgent 的输出在清晰度和要点覆盖上都更胜一筹。

插图 3：Figure 3，不同方法对同一论文生成海报的对比示例。PosterAgent（右）生成的海报用更少的文字传达了论文核心内容，版面结构清晰。

更令人惊喜的是，PosterAgent 基于开源模型的版本（称为 PosterAgent-Qwen，采用 Qwen-2.5-7B 系列大模型）在几乎所有评价指标上都超越了基于 GPT-4o 的方案，而 PosterAgent 基于闭源模型的版本 PosterAgent-4o 更是同时在论文问答准确性和海报美观度上均达到最高水平，真正做到了既智能精准，又设计出众。

并且，由于流水线设计高效，PosterAgent-Qwen 生成一张海报所消耗的 tokens 数量比 OWL 动辄上百 k 的调用少了将近 87%！这直接带来速度和成本优势：据统计，转换一篇 22 页长的论文为可编辑的海报（.pptx 格式）大约只需花费 $0.005 美元的 API 成本。短短几分钟，就能让 AI 替你画海报，想想还有点小激动呢。

更关键的是，作者已将完整代码、模型权重和数据集开源出来，任何人都可以在 HuggingFace 和 GitHub 上使用这个工具。或许不久的将来，在家用一块常规显卡，你就能让 Paper2Poster 来帮忙出海报初稿，然后人类再稍加润色即可。

当然，目前 Paper2Poster 也有一些局限。比如，Painter-Commenter 循环还是串行逐块优化，效率上可能成为瓶颈，未来可以考虑并行加速。另外，AI 生成的海报在视觉美感和创意上与人类设计尚有差距——尤其是读者吸引力（Engagement）这一维度现在仍是短板。毕竟很多作者自己做海报时会精心挑选直观的示意图、配色和排版技巧，让观众一眼抓住重点；而 AI 模型主要靠提炼文字和现有图片，缺少「锦上添花」的点睛之笔。

所以，将来如何让模型更好地利用视觉元素传达信息，也是值得探索的方向。论文作者也提出，可以考虑融入外部知识和素材（比如课题组模板、会议 logo 等），或者让人机协作共同完善海报设计。这些展望无疑为后续研究指明了道路。

展望：科研辅助，从海报走向未来

Paper2Poster 的出现，表明大模型在学术传播场景中有了实用的一席之地。从写论文摘要，到自动生成学术海报，再到未来可能的自动论文审稿人、科研助理，AI 正在逐步渗透科研工作的方方面面。

也许再过几年，我们真的可以按下一个键，就让 AI 替我们把论文变成海报、幻灯片，甚至一篇面向大众的科普稿。同时，人类研究者则可以把更多精力放在创造新的想法、设计实验和推演理论上，而把繁琐的格式调整、版面美化交给智能助手处理。

总的来说，Paper2Poster 带来了一个令人兴奋的开端：学术海报这样的「小事」今后或许不再需要我们反复纠结版式和措辞，大模型已经展现出接手这些任务的潜力。当然，AI 工具终究是辅助，真正的科研妙笔仍需人类去书写。但可以预见，随着这类科研辅助系统的发展成熟，我们离「让科研更专注，让杂事交给 AI」的理想又近了一步。期待未来会有更多类似 Paper2Poster 的创新，让科研工作变得更加高效、有趣。

PosterAgent 生成样例：

Differentially Private CutMix for Split Learning with Vision Transformer:

A Neural Tangent Kernel Perspective of Infinite Tree Ensembles:

彩蛋：让Paper2Poster为Paper2Poster生成一张Poster